This study introduces the use of a deep convolutional neural network for reconstructing fast-ion velocity distributions from fast-ion loss detectors and imaging neutral particle analyzers (INPAs), automatically integrating uncertainty quantification through Monte Carlo dropout. The network-based reconstructions reveal pitch-angle splitting in high-energy features of lost fast-ion velocity distributions at ASDEX Upgrade during active neutral beam injection, a previously observed phenomenon now confirmed through neural networks. Moreover, contrary to common theories attributing these high-energy features to edge localized mode (ELM)-driven acceleration, we provide experimental evidence that they also occur in type-I ELM-quiescent phases. Additionally, we demonstrate improved reconstructions from INPA measurements, both synthetic and from an ASDEX Upgrade commissioning discharge, with the reconstructions closely matching TRANSP simulations. These findings suggest that neural networks can provide robust reconstructions with well-defined uncertainties, improving the reliability of interpretations of fast-ion behavior in magnetically confined plasmas.
本研究では、高速イオン損失検出器とイメージング中性粒子分析器（INPA）から高速イオン速度分布を再構成するための深層畳み込みニューラルネットワークの利用を導入し、モンテカルロ・ドロップアウトによる不確実性定量化を自動的に統合する。ネットワークベースの再構成により、ASDEX Upgradeにおけるアクティブな中性粒子ビーム入射中の失われた高速イオン速度分布の高エネルギー特徴におけるピッチ角分裂が明らかになる。これは以前に観測された現象であり、今度はニューラルネットワークによって確認された。さらに、これらの高エネルギー特徴を周辺局在モード（ELM）駆動の加速に帰する一般的な理論に反して、それらがタイプI ELM静穏位相でも発生するという実験的証拠を提供する。加えて、合成データとASDEX Upgradeの試運転放電の両方からのINPA測定による再構成が改善され、その再構成がTRANSPシミュレーションと密接に一致することを実証する。これらの知見は、ニューラルネットワークが明確に定義された不確実性を伴うロバストな再構成を提供でき、磁場閉じ込めプラズマにおける高速イオン挙動の解釈の信頼性を向上させることを示唆している。